PadLoc: スパース幾何マッチングによる学習不要の間取り位置推定

- PadLoc は、既知の floor plan に対して移動センサの位置を推定する training-free な localization back-end。 - floor plan は安価で持続的、見た目の変化に頑健だが、近年の learned-depth 手法は per-frame depth を密な (x,y,θ) pose grid でフィルタリングして位置推定する。 - PadLoc は交換可能な depth front-end を維持しつつ、密な grid back-end を sparse geometric matching に置き換える。 - 出力は trajectory であり、状態は trajectory 長に依存せずコンパクト。

- 各競合の depth を固定した比較で、PadLoc は全 Gibson trajectory 長で UnLoc の forward filter と F3Loc filter に匹敵または上回る。 - UnLoc の offline refinement とは T=35 以降で上回る。 - 共通の MapAnything front-end を用いて Z-FLoc の公表結果を超える。 - Bonn LiLocBench では UnLoc 比で pooled SR@1m を wheel odometry 下で 23-32 pp、ground-truth motion 下で 35-43 pp 改善。 - full-FOV LiDAR + wheel odometry では静的シーケンスで 100% SR@1m、median error 9-10 cm。 - Hilti-Trimble Localization Challenge では camera-only fisheye rig を数百 m 規模の construction floor で位置推定し、5 session 中3つで…

- 交換可能な depth front-end は維持し、back-end のみを sparse geometric matching に置換。 - dominant wall orientations から小さな pose-candidate set を定義。 - masked normalized cross-correlation で観測された free space と plan をスコアリング。 - moving-pose Gaussian-mixture Bayes filter と consensus readout で trajectory を復号。 - 密な (x,y,θ) pose grid を使わないため状態がコンパクト。 - learned wall isolation を追加可能で、localizer 自体は変更せずに適用できる。

- Gibson の trajectory 長ごとに、各競合の depth を固定して UnLoc forward filter、F3Loc filter、UnLoc offline refinement、Z-FLoc と比較。 - Bonn LiLocBench で wheel odometry と ground-truth motion の条件下で pooled SR@1m を UnLoc と比較。 - full-FOV LiDAR + wheel odometry の静的シーケンスで SR@1m と median error を評価。 - Hilti-Trimble Localization Challenge で camera-only fisheye rig を数百 m の construction floor にて online SR@2m で評価。 - learned wall isolation の有無で session カバレッジを比較。

- 要旨からは不明。 - ただし、floor plan の見た目変化への頑健性、sensor modularity、trajectory 長に依存しないコンパクト状態が利点として述べられている。 - learned wall isolation の追加が全 session カバレッジに寄与する一方、localizer 自体は変更不要である点が議論の対象になり得る。 - 限界や失敗条件についての明示的な議論は要旨からは不明。

- UnLoc - F3Loc - Z-FLoc - MapAnything - Bonn LiLocBench - Hilti-Trimble Localization Challenge - learned-depth localization 全般